Müşteri Yaşam Boyu Değeri Analizi: FLO Perakende Şirketi Örneği

Modern perakende sektöründe müşteri odaklı stratejiler geliştirmek, sürdürülebilir büyüme için kritik önem taşımaktadır. Bu çalışmada, Türkiye'nin önde gelen ayakkabı perakendecilerinden biri olan FLO'nun müşteri veri setini kullanarak, müşteri yaşam boyu değeri (Customer Lifetime Value - CLTV) analizi gerçekleştirilmiştir. CLTV hesaplaması için ileri istatistiksel modeller olan BG/NBD (Beta Geometric/Negative Binomial Distribution) ve Gamma-Gamma modelleri kullanılmış, elde edilen sonuçlar doğrultusunda müşteri segmentasyonu yapılarak segment bazlı stratejiler önerilmiştir.

Müşteri Yaşam Boyu Değeri, bir müşterinin şirketle olan ilişkisi boyunca sağlayacağı tahmini net karın bugünkü değeridir. CLTV, şirketlerin hangi müşterilere ne kadar yatırım yapması gerektiğini belirlemede önemli bir metriktir. Geleneksel olarak CLTV, şu formülle ifade edilebilir:

CLTV = (Ortalama Sipariş Değeri × Satın Alma Sıklığı × Müşteri Ömrü) - Müşteri Edinme Maliyeti

Ancak bu geleneksel yaklaşım, müşteri davranışlarındaki olasılıksal doğayı yeterince yansıtmamaktadır. Bu nedenle olasılıksal modeller daha doğru tahminler sunmaktadır.

BG/NBD (Beta Geometric/Negative Binomial Distribution) modeli, müşterilerin gelecekteki satın alma davranışlarını tahmin etmek için kullanılan olasılıksal bir modeldir. Model iki temel bileşenden oluşur:

1. Alışveriş Süreci: Müşterinin aktif olduğu sürece satın alma davranışını Poisson süreci ile modellemektedir.
2. Ömür Süreci: Müşterinin aktif kalma süresini Geometric/Exponential dağılım ile modellemektedir.

BG/NBD modeli şu varsayımlara dayanır:

• Müşterilerin satın alma süreçleri birbirinden bağımsızdır
• Bir müşteri aktif olduğu sürece, satın alma oranı sabit kalır
• Müşterinin "ölüm" olasılığı (yani müşteri olmaktan çıkma olasılığı) her işlemden sonra sabittir

Gamma-Gamma modeli, müşterilerin gelecekteki harcama miktarlarını tahmin etmek için kullanılan olasılıksal bir modeldir. Bu model, her müşterinin ortalama sipariş değerinin, müşteri bazında bireysel değer parametresi ile bir Gamma dağılımına uyduğunu ve bu bireysel değer parametresinin tüm müşteriler arasında başka bir Gamma dağılımına uyduğunu varsayar.

Model şu varsayımlara dayanır:

• Müşteri harcamaları, satın alma sıklığından bağımsızdır
• Bireysel işlem değerleri, müşteri bazında değişmekle birlikte, belirli bir müşteri için tutarlıdır
• Müşterilerin ortalama harcama değeri bir Gamma dağılımına uygundur

Analizde, FLO'nun yaklaşık 20.000 müşterisine ait işlem verileri kullanılmıştır. Veri seti, müşterilerin demografik özelliklerini, satın alma tarihlerini, sipariş miktarlarını, toplam harcamalarını ve ilgilendikleri ürün kategorilerini içermektedir.

Veri seti özeti:

• Toplam müşteri sayısı: 19.945
• Analiz edilen müşteri sayısı (filtreleme sonrası): 19.547
• Analiz tarihi: 1 Haziran 2021

Analiz süreci şu adımları içermektedir:

1- Veri Ön İşleme ve Temizleme:

• Tarih formatlarının düzenlenmesi
• Aykırı değerlerin baskılanması
• Eksik verilerin tamamlanması

2- RFM Metrikleri Hesaplama:

• Recency (Son alışveriş üzerinden geçen süre)
• Frequency (Satın alma sıklığı)
• Monetary (Parasal değer)

3- BG/NBD Modeli Uygulama:

• Müşteri aktiflik olasılığı hesaplama
• Gelecek dönem satın alma sayısı tahmini (1, 3, 6 aylık)

4- Gamma-Gamma Modeli Uygulama:

• Beklenen ortalama sipariş değeri hesaplama

5- CLTV Hesaplama:

• BG/NBD ve Gamma-Gamma modellerinin birleştirilmesi
• 6 aylık CLTV hesaplama

6- Müşteri Segmentasyonu:

• CLTV değerlerine göre 4 segment oluşturma (A, B, C, D)

7- Segment Analizi ve İş Önerileri:

• Segment profilleri çıkarma
• Segment bazlı pazarlama stratejileri geliştirme

BG/NBD Model Parametreleri:

• r (alpha): Alışveriş sıklığı ile ilgili şekil parametresi
• alpha (a): Alışveriş sıklığı ile ilgili ölçek parametresi
• b: Dropout ile ilgili ölçek parametresi

Gamma-Gamma Model Parametreleri:

• p: Harcama miktarı ile ilgili şekil parametresi
• q: Bireysel parametre değişkenliği ile ilgili şekil parametresi
• v: Harcama miktarı ile ilgili ölçek parametresi

Müşteriler CLTV değerlerine göre dört segmente ayrılmıştır:

SEGMENT A (En Değerli Müşteriler):

• Müşteri Sayısı: 4.887
• Ortalama CLTV: 1.281,32 TL
• Beklenen Satın Alma (6 Ay): 1,50
• Ortalama Sipariş Değeri: 225,97 TL
• Alışveriş Sıklığı: 6,32
• Müşteri Aktiflik Olasılığı: %100
• En Çok İlgilenilen Kategoriler: AKTIFSPOR, KADIN, ERKEK

SEGMENT B (Yüksek Değerli Müşteriler):

• Müşteri Sayısı: 4.886
• Ortalama CLTV: 738,14 TL
• Beklenen Satın Alma (6 Ay): 1,20
• Ortalama Sipariş Değeri: 161,22 TL
• Alışveriş Sıklığı: 5,00
• Müşteri Aktiflik Olasılığı: %100
• En Çok İlgilenilen Kategoriler: AKTIFSPOR, KADIN, ERKEK

SEGMENT C (Orta Değerli Müşteriler):

• Müşteri Sayısı: 4.887
• Ortalama CLTV: 516,56 TL
• Beklenen Satın Alma (6 Ay): 1,06
• Ortalama Sipariş Değeri: 126,34 TL
• Alışveriş Sıklığı: 4,31
• Müşteri Aktiflik Olasılığı: %100
• En Çok İlgilenilen Kategoriler: AKTIFSPOR, KADIN, ERKEK

SEGMENT D (Düşük Değerli Müşteriler):

• Müşteri Sayısı: 4.887
• Ortalama CLTV: 309,75 TL
• Beklenen Satın Alma (6 Ay): 0,85
• Ortalama Sipariş Değeri: 93,11 TL
• Alışveriş Sıklığı: 3,64
• Müşteri Aktiflik Olasılığı: %100
• En Çok İlgilenilen Kategoriler: KADIN, AKTIFSPOR, ERKEK

Aşağıdaki grafikte her bir müşteri segmentinin CLTV değerlerinin dağılımı görülmektedir. A segmenti en yüksek değerlere sahipken, segmentler arası belirgin bir farklılık gözlemlenmektedir.

Bu grafik, her bir müşteri segmentinin online ve offline kanalları tercih etme oranlarını göstermektedir. Bu bilgi, segment bazlı kanal stratejileri geliştirmek için değerlidir.

Aşağıdaki grafik, her bir müşteri segmenti için 1 ay, 3 ay ve 6 aylık periyotlarda beklenen satın alma sayılarını göstermektedir. Bu projeksiyon, segmentlerin gelecekteki değerini anlamamıza yardımcı olmaktadır.

1- Kategori Tercihleri: Tüm segmentlerde AKTIFSPOR, KADIN ve ERKEK kategorileri en popüler kategorilerdir. Ancak D segmentinde, KADIN kategorisi AKTIFSPOR'dan daha popülerdir.

2- Aktiflik Olasılığı: Tüm segmentlerdeki müşteriler için p_alive değeri %100 olarak hesaplanmıştır. Bu, veri filtreleme ve model parametrelerinden kaynaklanabilir. Daha gerçekçi bir sonuç için model parametreleri ayarlanabilir.

3- Sepet Değeri ve Sıklık İlişkisi: A segmentindeki müşteriler B segmentine göre hem daha sık alışveriş yapmakta (6,32 vs 5,00) hem de her alışverişte daha fazla harcama yapmaktadır (225,97 TL vs 161,22 TL). Bu, değerli müşterilerin iki boyutta da şirkete katkı sağladığını göstermektedir.

4- Online-Offline Davranışı: Segment bazlı online-offline tercih analizi, farklı segmentlerdeki müşterilerin alışveriş kanalı tercihlerinde önemli farklılıklar olduğunu ortaya koymuştur. Bu bilgi, kanal stratejilerinin geliştirilmesinde önemlidir.

SEGMENT A (En Değerli Müşteriler):

• Premium müşteri sadakat programları oluşturulmalı
• Kişiselleştirilmiş VIP hizmetler sunulmalı
• Özel indirim ve kampanyalarla memnuniyetleri artırılmalı
• Cross-sell ve up-sell stratejileriyle daha yüksek değerli ürünlere yönlendirilmeli
• Referans programları ile benzer profilde yeni müşteriler kazanılmalı

SEGMENT B (Yüksek Değerli Müşteriler):

• Sadakat programları ile A segmentine yükseltilmeleri hedeflenmeli
• Satın alma sıklığını artıracak kampanyalar düzenlenmeli
• Kişisel öneri sistemleri ile ilgi alanlarına göre ürünler sunulmalı
• Sepet değerini artırmaya yönelik kampanyalar sunulmalı
• E-posta pazarlama ile düzenli iletişim kurulmalı

SEGMENT C (Orta Değerli Müşteriler):

• Yeniden aktivasyon kampanyaları ile satın alma sıklığı artırılmalı
• Orta segment ürünlerde indirimler sunulmalı
• Mobil uygulama kullanımı teşvik edilmeli
• Sadakat puanları ile tekrar alışveriş motivasyonu sağlanmalı
• Özel gün ve sezonsal kampanyalarla ilgileri çekilmeli

SEGMENT D (Düşük Değerli Müşteriler):

• Kaybolma riski yüksek, yeniden kazanım kampanyaları düzenlenmeli
• Düşük maliyetli iletişim kanalları tercih edilmeli
• İlk alışveriş deneyimini iyileştirmeye odaklanılmalı
• Giriş seviyesi ürünlerde cazip teklifler sunulmalı
• Müşteri yolculuğu analiz edilerek terk nedenleri araştırılmalı

1. A ve B segmentlerinde müşteri sadakatini artırmak için özel programlar geliştirilmeli
2. C ve D segmentlerinde müşteri aktivasyonu için kampanyalar düzenlenmeli
3. Online ve offline alışveriş deneyimleri arasında entegrasyon sağlanmalı
4. Müşteri yorumları ve geri bildirimleri düzenli olarak analiz edilmeli
5. Sezonsal kampanyalar için segment bazlı farklı stratejiler geliştirilmeli

CLTV analizi, FLO perakende şirketinin müşteri tabanını daha iyi anlamasına ve her müşteri segmenti için hedefli stratejiler geliştirmesine olanak sağlamıştır. Bu analiz sayesinde şirket, sınırlı pazarlama bütçesini en etkili şekilde kullanabilir ve her müşteri segmentinden maksimum değer elde edebilir.

BG/NBD ve Gamma-Gamma modelleri, müşterilerin gelecekteki satın alma davranışlarını ve harcama miktarlarını tahmin etmede güçlü araçlar olduğunu kanıtlamıştır. Bu modeller, geleneksel RFM analizine göre daha sofistike ve doğru tahminler sunmaktadır.

Bu çalışma, veri odaklı karar verme süreçlerinin perakende sektöründeki önemini ve müşteri yaşam boyu değeri analizinin işletme stratejilerine sağlayabileceği katkıları açıkça ortaya koymaktadır.